CLASSIFICAÇÃO DE IMAGENS LANDSAT 5 PARA MAPEAMENTO …€¦ · generated by the variables maxver...
Transcript of CLASSIFICAÇÃO DE IMAGENS LANDSAT 5 PARA MAPEAMENTO …€¦ · generated by the variables maxver...
KAMILLA ANDRADE DE OLIVEIRA
CLASSIFICAÇÃO DE IMAGENS LANDSAT 5 PARA MAPEAMENTO
DO CACAUEIRO NATIVO ( Theobroma cacao L.), DO RIO PURUS -
AMAZONAS
RIO BRANCO
2010
KAMILLA ANDRADE DE OLIVEIRA
CLASSIFICAÇÃO DE IMAGENS LANDSAT 5 PARA MAPEAMENTO
DO CACAUEIRO NATIVO ( Theobroma cacao L.), DO RIO PURUS -
AMAZONAS
Monografia apresentada ao Curso de Graduação de Engenharia Florestal, Centro de Ciências Biológicas e da Natureza, Universidade Federal do Acre, como parte das exigências para obtenção do título de Engenheira Florestal.
Orientador: Dr. Ecio Rodrigues Co-orientador: Dr. Pedro Christo Brandão
RIO BRANCO
2010
A minha mãe Graça Santana
meu pai Silvino Oliveira (in memoriam)
pelo eterno incentivo
Dedico.
AGRADECIMENTOS
À Deus por ter me concedido a vida por meio dos meus pais.
Aos meus pais, Graça Santana e Silvino Oliveira (in memoriam). Sem os quais eu
não teria chegado até aqui.
Ao Professor e Pedro Christo pela orientação no caminhar desta pesquisa. Obrigada
pela confiança em mim depositada e pelo incentivo.
Ao Professor Ecio Rodrigues pela orientação durante longo tempo da minha
graduação pela oportunidade de participar dos trabalhos do “Projeto Cacau”, o que tornou
possível realizar esta pesquisa.
Ao Tarso, pelo acompanhamento nas expedições, especialmente no processo de
classificação.
Ao Marcos Araújo e Cláudio Cavalcante pelo apoio em Redes Neurais, metodologias
e sugestões.
A Ellem Abudd e todos do Labgeo na UFV pela atenção e conhecimentos
repassados no período em Viçosa.
Obrigada, em nome da Sociedade Brasileira.
“Se é nova para você a idéia de que a
gratidão coloca sua mente em harmonia com as
energias criativas do universo, pense bem nisso, e
você verá que é verdade”.
Wallace Wattles.
RESUMO
A várzea do médio Purus ocupa cerca de 200.000 km², o equivalente a 3% da área
total da Amazônia brasileira, região sul do estado do Amazonas. Territorialmente
delimitada pela importância da biodiversidade nela contida, essa área deve ser
explorada a partir de plano de manejo florestal adequado para garantir a
manutenção dos recursos às gerações presentes e futuras. Este trabalho teve como
objetivo avaliar a classificação supervisionada por maxver e redes neurais das
classes de cobertura e uso do solo, buscando identificar regiões de ocorrência do
cacaueiro nativo a partir dos dados obtidos pelo sensor TM e de dados do meio
físico, com vistas a subsidiar o plano de manejo florestal comunitário. O simulador de
Redes Neurais utilizado foi o Envi 4.6.1,. As expedições a campo foram realizados
entre Fevereiro/Março, Maio/Junho de 2008 e Fevereiro/Março de 2009, quando
foram coletados 30 pontos de amostras como dados de referência. As classes de
cobertura e uso do solo identificadas foram: Água (rio, lagos, meandros
abandonados); Cacau (regiões que ocorrem inundações periódicas); Floresta densa;
Floresta aberta e Solo exposto. As variáveis discriminantes bandas 1, 2, 3, 4, 5 e 7
do Landsat, respectivas bandas da imagem, compuseram o conjuntos de variáveis
para classificações. O resultado da classificação mostrou maior exatidão de
mapeamento quando utilizou o algoritmo de maxver, sendo a classificação deste
estatisticamente melhor que a classificação realizada por redes neurais. O índice
kappa, para uma comparação entre classificadores, que representa a concordância
entre o mapa temático gerado e os dados de referência de campo para maxver,
obteve o resultado acima de 0.9, considerado um resultado de classificação
excelente. Concluiu-se que a classificação por maxver mostrou-se mais adequada
para qualificar a cobertura e uso do solo da região do médio Purus do que o
algoritmo de redes neurais. Por fim, apresenta-se o mapa de cobertura e uso do
solo, gerado com a classificação por maxver com as variáveis finalizando um
documento cartográfico, com dados e base para subsidiar a elaboração do plano de
manejo florestal comunitário para o cacau nativo da região do presente estudo.
Palavras-chave: Cacau. Classificação. Maxver. Redes Neurais.
ABSTRACT
The floodplain of the middle Purus occupies about 200,000 square kilometers,
equivalent to 3% of the total area of the Brazilian Amazon, the southern state of
Amazonas. Territorially bounded by the importance of biodiversity contained in it, this
area should be exploited from forest management plan to ensure adequate
maintenance resources to present and future generations. This study aimed to
assess the supervised classification by neural networks and maxver of cover classes
and land use in order to identify areas with the native cocoa from the data obtained
by TM sensor data and the physical environment, in order to support the plan of
community forest management. The simulator of neural networks was used Envi
4.6.1. The field expeditions were carried out between February / March, May / June
2008 and February / March 2009, when they collected 30 points of samples as
reference data. The classes cover and land use were identified: water (river, lakes,
oxbow lakes), Cocoa (regions occurring periodic flooding), Dense forest, open forest
and soil exposed. Variables discriminating bands 1, 2, 3, 4, 5 and 7 of Landsat,
respective bands of the image, composed the set of variables for ratings. The results
showed a higher classification accuracy when used mapping algorithm maxver, the
classification of statistically better than the classification performed by neural
networks. The kappa index for comparing classifiers, which represents the correlation
between the thematic map generated and the reference data field for maxver,
obtained a score above 0.9 is considered an excellent result of classification. It was
concluded that the classification maxver was more appropriate to describe the
coverage and land use in the region of the middle Purus than the algorithm of neural
networks. Finally, we present the coverage map and land use classification
generated by the variables maxver finalizing a document mapping, and data base to
support the elaboration of the community forest for cocoa native region study.
Key-words: Cocoa. Classification. Maxver. Neural Networks.
LISTA DE APÊNDICES
APÊNDICE A – Coleta de pontos de controle durante primeira expedição ..... 16
APÊNDICE B – Coleta de pontos de controle durante segunda expedição .... 18
APÊNDICE C – Coleta de pontos de controle durante terceira expedição ...... 19
APÊNDICE D – Ficha de campo para coleta dos pontos de controle ............. 19
LISTA DE ANEXOS
ANEXO A – Frutos são quebrados e inseridos na fermentadora para
beneficiamento da semente do cacau........................................... 65
ANEXO B – As sementes são distribuídas na superfície da estufa para que
ocorra a secagem das sementes.................................................. 65
LISTA DE QUADROS
QUADRO 1– Resolução espacial e aplicações das bandas do satélite
Landsat/TM5 ............................................................................ 29
QUADRO 2 – Número de amostras de treinamento coletadas para cada
classe de treinamento .............................................................. 34
QUADRO 3 – Matriz de confusão – imagem 1 Maxver ................................. 41
QUADRO 4 – Matriz de confusão – imagem 1 Redes Neurais ..................... 41
QUADRO 5 – Matriz de confusão – imagem 2 Maxver ................................. 43
QUADRO 6 – Matriz de confusão – imagem 2 Redes Neurais ..................... 44
QUADRO 7 – Matriz de confusão – imagem 3 Maxver ................................. 45
QUADRO 8 – Matriz de confusão – imagem 3 Redes Neurais ..................... 45
QUADRO 9 – Matriz de confusão – imagem 4 – Redes Neurais ................. 46
QUADRO 10 – Matriz de confusão – imagem 4 – Maxver .............................. 48
QUADRO 11 – Matriz de confusão – imagem 5 – Redes Neurais .................. 48
QUADRO 12– Matriz de confusão – imagem 5 – Maxver .............................. 48
QUADRO 13 – Matriz de confusão – imagem 6 – Maxver .............................. 49
QUADRO 14 – Matriz de confusão – imagem 6 – Redes Neurais .................. 50
QUADRO 15 – Matriz de confusão – imagem 7 – Maxver .............................. 50
QUADRO 16 – Matriz de confusão – imagem 7 – Redes Neurais .................. 51
LISTA DE FIGURAS
FIGURA 1 – Modelo de McClulloch e Pitts ...................................................... 27
FIGURA 2 – Mapa da área de estudo da ocorrência do cacau nativo na
várzea do Rio Purus – Amazonas ................................................
28
FIGURA 3 – Imagem do satélite LANDSAT, 2007 identificando áreas de
cacau digitalizadas após interpretação visual ..............................
31
FIGURA 4 – Área imageada do projeto compreendendo as cenas do satélite
Landsat órbita ponto 01/65, 02/65 e 02/66 ...................................
33
FIGURA 5 – Área do Projeto realizada buffer de 3 km de cada margem do
Rio ................................................................................................ 35
FIGURA 6 – Recortes realizados nas cenas do satélite Landsat órbita ponto
01/65, 02/65 e 02/66 .................................................................... 32
FIGURA 7 – Conjunto de dados e treinamento para o classificador de
máxima verossimilhança e redes neurais artificiais ..................... 40
FIGURA 8 – Mapa de uso e cobertura produzido pela classificação da
imagem 1 por maxver, detalhe 1 e 2 mostra pontos coletados
em áreas de ocorrência de cacau, detalhe 3 mostra detalhe de
região de floresta, detalhe 4 mostra os diferentes tipos de
amostras ....................................................................................... 52
FIGURA 9 – Mapa de uso e cobertura produzido pela classificação da
imagem 2 por maxver, detalhe 1, 2 e 4 mostra pontos coletados
em áreas de ocorrência de cacau, detalhe 3 mostra detalhe de
região de floresta ........................................................................ 52
FIGURA 10 – Mapa de uso e cobertura produzido pela classificação da
imagem 3 por maxver, detalhe 1 mostra pontos coletados em
áreas de solo exposto, situado no município de Boca do Acre –
AM .............................................................................................. 52
FIGURA 11 – Mapa de uso e cobertura produzido pela classificação da
imagem 4 por redes neurais, detalhe 1 e 2 mostra pontos de
coleta nas margens do rio Purus .................................................. 52
FIGURA 12 – Mapa de uso e cobertura produzido pela classificação da
imagem 5 por redes neurais, detalhe 1 mostra área de floresta .. 54
FIGURA 13 – Mapa de uso e cobertura produzido pela classificação da
imagem 6 por maxver, detalhe do ponto de coleta em região de
floresta .......................................................................................... 54
FIGURA 14 – Mapa de uso e cobertura produzido pela classificação da
imagem 7 por maxver detalhe 1 mostra ponto de coleta de
região com solo exposto .............................................................. 55
SUMÁRIO
1 INTRODUÇÃO ....................................................................................................... 13
2 REVISÃO DE LITERATURA ................................................................................. 15
2.1 SOBRE O CACAU NATIVO Teobroma cacao L. DO PURUS ............................. 15
2.2 ATIVIDADE ECONÔMICA DA COOPERATIVA AGROEXTRATIVISTA DO MAPIÁ E MÉDIO PURUS – COOPERAR. ................................................................ 17
2.3 CLASSIFICAÇÕES DAS TIPOLOGIAS VEGETAIS ........................................... 18
2.3.1 Floresta densa das Terras Baixas .................................................................... 19
2.3.2 Floresta aberta com cipó .................................................................................. 20
2.3.3 Floresta aberta com Palmeiras ......................................................................... 20
2.3.4 Floresta aberta com bambu (taboca) (Guadua Weberbaueri) .......................... 21
2.4 GEOPROCESSAMENTO .................................................................................... 21
2.4.1 Sistema de Informação Geográfica .................................................................. 22
2.4.2 Sensoriamento Remoto .................................................................................... 23
2.4.3 Classificação de imagem .................................................................................. 24
2.4.4 Máxima Verossimilhança – Maxver .................................................................. 25
2.4.5 Redes Neurais Artificiais – RNA ....................................................................... 26
3 MATERIAIS E MÉTODOS ..................................................................................... 28
3.1 IMAGEM LANDSAT/TM 5 ................................................................................... 28
3.2 EQUIPAMENTOS UTILIZADOS NO TRATAMENTO DAS IMAGENS ................ 29
3.3 SOFTWARES ...................................................................................................... 30
3.4 HARDWARES ..................................................................................................... 30
3.5 METODOLOGIA .................................................................................................. 31
3.6 CLASSIFICAÇÃO VISUAL .................................................................................. 31
3.7 TRABALHO DE CAMPO ..................................................................................... 32
3.8 TRABALHO DE LABORATÓRIO ........................................................................ 33
3.9 DEFINIÇÃO DAS VARIÁVEIS ............................................................................. 35
3.10 AMOSTRAGEM ................................................................................................ 35
3.11 CLASSIFICAÇÃO SUPERVISIONADA ............................................................. 36
3.12 VALIDAÇÃO DA EXATIDÃO DA CLASSIFICAÇÃO ......................................... 37
3.13 PÔS-PROCESSAMENTO ................................................................................. 39
4 RESULTADOS E DISCUSSÃO ............................................................................. 40
4.1 AVALIAÇÃO QUANTITATIVA DAS IMAGENS ................................................... 40
4.2 CLASSIFICAÇÃO DA IMAGEM 1 ....................................................................... 41
4.3 CLASSIFICAÇÃO DA IMAGEM 2 ....................................................................... 43
4.4 CLASSIFICAÇÃO DA IMAGEM 3 ....................................................................... 44
4.5 CLASSIFICAÇÃO DA IMAGEM 4 ....................................................................... 46
4.6 CLASSIFICAÇÃO DA IMAGEM 5 ....................................................................... 47
4.7 CLASSIFICAÇÃO DAS IMAGENS 6 E 7............................................................. 49
4.8 REPRESENTAÇÃO ATRAVÉS DE MAPA DA CLASSIFICAÇÃO ...................... 51
5 CONCLUSÕES ...................................................................................................... 56
REFERÊNCIAS ......................................................................................................... 57
GLOSSÁRIO ............................................................................................................. 61
APÊNDICES ............................................................................................................. 62
ANEXOS ................................................................................................................... 66
13
1 INTRODUÇÃO
A região do médio Purus integrante da floresta amazônica, uma das maiores
florestas tropicais do planeta, constitui uma porção do espaço geográfico delimitada
territorialmente pela ocorrência de importante biodiversidade. Contempla um
mosaico de culturas (indígenas, ribeirinhos, seringueiros, nordestinos, dentre outros),
tem aproximadamente 5 milhões de km², que distinguem diferentes formas do uso
da terra (ARAÚJO et al., 1986).
Apresenta elevado potencial para o manejo sustentável de produtos florestais
não madeireiros e para o turismo (CEPLAC, 2009). Sendo assim, o cacaueiro nativo
(Theobroma cacao L.), espécie florestal utilizada como fonte de renda por
extrativistas da região Amazônica, que pertence ao grupo de espécies que possui
valor de mercado precisa ser manejado de forma a gerar melhoria da qualidade de
vida dos extrativistas. No entanto, seu ciclo econômico encontra barreiras devido à
inelasticidade de oferta, isto é, limites na quantidade ofertada do produto, fator este
observado com freqüência em produtos oriundos do extrativismo vegetal.
O conhecimento do espaço é o primeiro passo para que se possa fazer o
planejamento de ações e atividades de manejo a serem desenvolvidas. Para tal, no
âmbito de desenvolvimento tecnológico, instituições localizadas na Amazônia
buscam o atingir o manejo florestal de uso múltiplo, através de procedimentos
técnicos viabilizando o modo extrativista de produção, aliados à tecnologia avançada
proporcionando equilíbrio ambiental e social.
Foi com essa união de esforços que associou a Universidade Federal do Acre
– UFAC, Universidade Estadual Paulista – UNESP, Universidade Federal de Viçosa
– UFV, Faculdade de Freiburg que em conjunto com a Cooperar, conseguiram apoio
do CNPq, para execução do projeto Manejo Florestal do Cacau nativo do Purus do
qual a presente pesquisa é um dos componentes.
Segundo Moreira (2005), no final dos anos 80, os objetivos do
geoprocessamento passaram a adquirir maior abrangência devido ao avanço nas
técnicas para tratamentos de imagens digitais e manipulação de dados geográficos,
além da criação de métodos de classificação de imagens e geração de fonte de
dados a partir de informações obtidas de satélites.
As características espectrais de alvos como vegetação, solo e água são de
grande interesse, e constituem em elementos fundamentais e essenciais para
14
análise e interpretação de dados em sensoriamento remoto (QUEIROZ, 1996). O
uso do geoprocessamento nos estudos ambientais resultantes da interação
ambiental e a sociedade vêm permitindo uma maior dinâmica no processo de
geração de informações, possibilitando maior produtividade nas análises dos dados
obtidos. Sendo utilizado para analisar certas propriedades das imagens digitais,
principalmente em procedimentos de classificação de imagens (INPE, 2007).
Em projetos de mapeamento, a aplicação da técnica de interpretação visual
ainda é muito utilizada, mesmo com diversos algoritmos de classificação de imagens
já consolidados. Todavia, existe uma tendência de utilização crescente da
classificação computacional, devido à rapidez e facilidade em obtenção dos
resultados (COSTA, 2004).
O mapeamento da cobertura terrestre, especialmente as classes de uso do
solo tem sido feito nos últimos anos utilizando técnicas computacionais por meio de
algoritmos de classificação. Mais recentemente tem se utilizado Redes Neurais
Artificiais para trabalhos de classificação, empregando dados de sensores remotos
(SOUZA, 2007).
A classificação da cobertura e uso do solo permite a elaboração de um mapa
que é um dos documentos considerados de grande relevância para estudos e
tomada de decisão quando se elabora um plano de uso da região. Com o mapa faz-
se o reconhecimento das principais formações vegetais e suas extensões.
Considerando a importância do mapeamento da cobertura vegetal para
subsidiar plano de uso de produtos da floresta, o objetivo geral deste trabalho foi
avaliar a classificação supervisionada por redes neurais e máxima verossimilhança
das classes de cobertura e uso do solo da Região de várzea do Médio Purus – AM,
a partir dos dados obtidos pelo sensor TM do satélite Landsat 5 e de dados do meio
físico, com vistas a subsidiar o plano de uso da região através do mapeamento.
15
2 REVISÃO DE LITERATURA
Segue a baixo uma breve revisão da espécie Theobroma cacao L.,
características botânicas, importância econômica e área distribuição visando o
mapeamento desta espécie na várzea do médio Purus.
2.1 SOBRE O CACAU NATIVO Teobroma cacao L. DO PURUS
A história do cacaueiro na região Amazônica data do período pré colombiano.
Em suas diversas utilizações, as sementes eram convenientemente preparadas
como alimento, e para fabricação de bebidas alcoólicas. Segundo Souza Filho
(2006), os povos Centro-Americanos consideravam o cacaueiro como um presente
divino e aceitavam suas sementes como moeda, no pagamento de impostos, na
compra de escravos e em outras transações.
Estudos realizados por RADAMBRASIL (1976) demonstram que o cacau
contribui significativamente para economia da região Amazônica, sendo indicado
como potencial para uso da terra, em cultivos consorciados com banana e
seringueiras.
Atualmente, a história da cacauicultura na região Amazônica apresenta-se
documentada pela Comissão Executiva do Plano da Lavoura Cacaueira – CEPLAC,
órgão criado em 20 de fevereiro de 1957 e vinculada ao ministério da agricultura
para atender as necessidades de apoio à atividade produtiva na região. Segundo
Brandão (2007), as atividades produtivas da cacauicultura estão localizadas além
das áreas ribeirinhas, em áreas de influência da BR 230, território da
Transamazônica.
Para Brandão (2007), a extração, beneficiamento e comercialização do cacau
está consolidada ou em vias de consolidação, devido sua contribuição efetiva com a
melhoria da qualidade de vida das populações rurais, sobretudo os que vivem do
extrativismo florestal.
Martins (1999) destaca a importância da CEPLAC, visto que, antes da criação
desse órgão, a exploração do cacau ocorria de forma tradicional, e com o advento
do plano de diretrizes para expansão da cacauicultura nacional (Procacau) houve
16
um impulso notável e começa a se constituir em uma atividade explorada
racionalmente beneficiada por orientação técnica qualificada para seu manejo nos
Estados Amazônicos.
A CEPLAC atendeu até final de 2007 no Território da Transamazônica um
total de 4.482 famílias com o cultivo da lavoura cacaueira, em 45.780,0 hectares
plantados. Destes, 12.042,0 hectares são novos e 33.738,0 hectares estão em
produção. Isto, considerando os dados consolidados da Organização, com devido
registro, até 31 de dezembro de 2007.
Estima-se que a produção de cacau na Região da Transamazônica foi de
29.935,64 toneladas no ano de 2007, gerando uma receita bruta de R$
110.761.868,00 (BRANDÃO, 2007). Tal fato comprova a importância
socioeconômica dessa cultura, que vem garantindo renda estável para os produtores
da região.
Segundo Radambrasil (1976), Theobroma cacao L., espécie amplamente
distribuída em florestas de várzea na Amazônia, tem potencial econômico garantido
por se tratar de fonte de renda para os ribeirinhos.
Para Almeida e Brito (2003), o cacau é explorado na região como um produto
semi-extrativista, cujas plantações apresentam idade desconhecida, mas estima-se
que podem apresentar grupos com mais de 300 anos, por isso denominados
“nativos” sendo indivíduos entouceirados, com elevado número de chupões e
troncos por touceiras (APÊNDICE A), apresenta distribuição espacial agrupada, logo
a variação do número de touceiras por hectare é grande, na maioria, extremamente
sombreadas, com baixa produtividade e com presença de doenças como vassoura-
de-bruxa (Crinipellis perniciosa) e podridão (Phytophthora spp.)
O manejo do cacau nativo resume-se praticamente a área de várzea na
Amazônia, onde a colheita dos frutos é realizada manualmente durante o período de
frutificação dos indivíduos. Em seguida, os frutos são quebrados e inseridos na
fermentadora para que perca a polpa, posteriormente são distribuídos a superfície
para que ocorra a secagem natural das amêndoas (ANEXO A; ANEXO B). Por
último, o material é embalado em saco de fibra e enviado para as indústrias, é o
procedimento padrão seguido na região.
Por se tratar de uma atividade semi-extrativista ocorrida na várzea, o cacau
nativo possui as vantagens de ser livre de fertilizantes químicos e agrotóxicos,
resultado em um produto de alta qualidade, possibilitando conquistar melhores
preços em mercados exigentes em produtos dessa natureza. Como a oferta desse
17
produto ainda é escassa, é importante o uso de tecnologias de mapeamento da
cobertura vegetal para localizar e espacializar, identificando a distribuição da espécie
em toda várzea do Purus.
Com a conclusão do inventário florestal do cacau nativo, conforme demonstra
Veras (2009), existem 7,8 indivíduos de cacau por hectare na várzea do Purus e as
espécies mais freqüentes a ele associados, sobretudo para sombreamento são
Cecropia sp. (imbaúba) Eschweilera odorata (mata-mata), Hevea brasiliensis
(seringueira), Ficus sp. (gameleira), Aspidosperma sp. (amarelinho), Pouteria sp.
(abiurana ou maparajuba), Calycophyllum spruceanum (mulateiro).
2.2 ATIVIDADE ECONÔMICA DA COOPERATIVA AGROEXTRATIVISTA DO
MAPIÁ E MÉDIO PURUS – COOPERAR.
A Cooperar foi fundada por um grupo de 20 extrativistas da região do médio
Rio Purus, em 2003. Sua finalidade básica é promover atividades produtivas, que
conciliem a geração de trabalho e renda com a conservação da floresta, bem como
viabilizar o consumo de bens de primeira necessidade para a população ribeirinha
da região do médio Rio Purus, nos municípios de Boca do Acre e Pauini - AM.
Desde 2003, a Cooperativa tem promovido a compra coletiva de bens de
primeira necessidade, reduzindo o custo desses produtos para cerca de 80 famílias
da região do médio Purus. No ano de sua criação, a Cooperar também implantou,
em Boca do Acre, uma fábrica para a desidratação de frutas, a partir da doação de
fornos de secagem pela entidade Engenheiros Sem Fronteiras, localizada na
Espanha, e da construção de prédio doado pelo Instituto de Desenvolvimento
Ambiental Raimundo Irineu Serra - IDA. Desde essa época, a Cooperar vem
produzindo banana passa, farinha de banana e castanha do Brasil descascada.
Em 2004 e 2005, a Cooperar comercializou esses produtos para pequenas
lojas do Rio de Janeiro e São Paulo e em 2006 iniciou a distribuição da banana
passa e da farinha de banana em supermercados de Rio Branco e na rede de
supermercados Pão de Açúcar de São Paulo. Apesar de só estar desidratando a
banana e a castanha, a Cooperar já desenvolveu testes de produção para a
desidratação de outras frutas, como abacaxi, mamão e tucumã (COOPERAR, 2009).
18
Em 2006, a Cooperar também iniciou a implantação de uma usina de óleos
vegetais em Boca do Acre, com apoio do Subprograma de Projetos Demonstrativos
– PDA, no âmbito do PPG7. Em 2007, foram realizados testes de produção de óleos
de andiroba, castanha, tucumã, patauá e gergelim (plantação orgânica, nas praias
do Rio Purus, naturalmente fertilizadas na época da cheia). A usina tem capacidade
para produzir cerca de 20 toneladas de óleos por ano e entrarou em operação em
2008. A implantação da usina baseia-se em plano de negócios elaborado pelo IDA
com apoio do Fundo Nacional do Meio Ambiente - FNMA.
Na área de estudo, estima-se que habitam cerca de 600 famílias de
agricultores, que basicamente exercem atividades de subsistência, possuem baixo
nível de organização social e recebem pouco auxílio de políticas públicas, vivendo
praticamente isoladas. Dessas 600 famílias, cerca de 200 já iniciaram o extrativismo
do cacau nativo e estão em processo de filiação junto a Cooperar. Além da região de
influência da Cooperativa, os ribeirinhos da Amazônia, em zonas de ocorrência do
cacau, são estimados em mais de 500 mil pessoas.
Desde o início da atividade extrativa do cacau na região do médio Purus, em
2006, diversas melhorias sociais têm sido levadas a comunidades da região, em
função da organização social dos produtores e da articulação de diversas parcerias
institucionais pela Cooperar. Como exemplo, algumas comunidades já foram
beneficiadas com a implantação de estrutura para fermentação, secagem e
armazenamento de amêndoas/grãos e muitas comunidades serão beneficiadas com
a implantação de geradores de energia, com a regularização fundiária, com a oferta
e melhoria dos serviços de educação e saúde, medidas que vêm sendo articuladas
pela Cooperativa com apoio da GTZ.
Cabe destacar que, além de evitar o êxodo rural, por se constituir em
excelente fonte de renda para os ribeirinhos, a atividade produtiva do cacau inclui o
envolvimento de mulheres e adolescentes, uma mão-de-obra que geralmente não
participa das outras atividades produtivas realizadas no interior da floresta.
2.3 CLASSIFICAÇÕES DAS TIPOLOGIAS VEGETAIS
A região Amazônica caracteriza-se por possuir vegetação típica de trópico
úmido, onde a umidade e a temperatura são elevadas e apresentam pequena
19
variação estacional. Nessas condições, comumente desenvolve-se uma floresta
densa, onde a competição entre as espécies depende da eficiência no
aproveitamento de luz ou de outras rotas de capacidade para produzir biomassa
(VALOIS, 2003).
Dessa forma, nas condições onde não há restrições de meio ambiente,
desenvolve-se as Floresta densa das Terras Baixas, Floresta aberta com cipó,
Floresta aberta com Palmeiras e Floresta aberta com bambu (taboca) Guadua
weberbaueri (APÊNDICE A), que serão abordadas a seguir.
2.3.1 Floresta densa das Terras Baixas
Segundo Radambrasil (1976), este tipo de floresta está instalada sobre os
sedimentos do Terciário, principalmente sobre os interflúvios de formas tabulares.
Apresentando estrutura semelhante as áreas areníticas, estendendo-se dos altos
tabuleiros de toda área situada a sudoeste do rio Amazonas, até a costa da Serra do
Divisor no Estado do Acre.
De acordo com IBGE (1991), trata-se de uma formação ribeirinha que ocorre
ao longo dos cursos de água ocupando terraços antigos, sendo constituída por
macro, meso e microfaneróitos de rápido crescimento, em geral de casca lisa, tronco
cônico . A floresta apresenta um dossel emergente, porém, devido à exploração
madeireira sua fisionomia torna-se bastante aberta.
Os elementos característicos são os mesmos para toda área sedimentar
terciária da Amazônia, com exceção de áreas onde existe o predomínio de plantas
lacíferas. As comunidades dessa floresta são caracterizadas por uma cobertura de
árvores emergentes gigantescas (+-50m de altura). Nos dissecados de cristais e
colinas pode-se observar quanto a altura dos indivíduos o estrato de +-30 m. O sub-
bosque nas áreas tabulares é mais aberto que o situado nas superfícies dissecadas,
se adensando. A regeneração das espécies arbóreas dominam em todas as
situações topográficas: contudo, existe regiões denominada como talvegues onde
predominam as espécies de porte arbustivo.
Segundo IBGE (1991), as espécies que ocorrem ao longo do rio amazonas,
são as mesmas que existem nas margens de seus afluentes, tanto da margem
direita como os da esquerda.
20
2.3.2 Floresta aberta com cipó
Esta fisionomia aparece nas encostas do relevo residual e nas largas
depressões circulares, situadas entre os testemunhos do embasamento.
As características principais da comunidade são as fanerófitas sarmentosas
que revestem a maioria de suas árvores. Imprimindo-lhes o aspecto de torres,
isolados por um denso revestimento de lianas que cobrem o estrato mais baixo do
sub- bosque. Ocorrem, também, nas terras baixas dos arenitos do terciário e dos
Terraços aluviais, sendo que nesses ambientes a “floresta-de-cipó” aparece em
clareiras menores (APÊNDICE B), inclusas sobre solos arenosos lixiviados.
De acordo com IBGE (1991) tal quantidade de plantas sarmentosas que
envolvem poucos indivíduos de grande porte da comunidade, transformando-os no
que a literatura considera por Climber towers – torres folhosas ou torres de cipó,
apresentando-se nas encostas dissecadas. Outro aspecto importante soma-se a
dificuldade da interferência humana devido ao aspecto desta comunidade ao
emaranhado de lianas.
A feição originada pela Phenakospermum quianense sororoca (Strelitiziaceae)
foi observado na área sul da bacia amazônica, formando grandes agrupamentos nas
depressões, temporariamente inundadas e rasas, localizadas no médio Xingu (IBGE,
1991).
2.3.3 Floresta aberta com Palmeiras
Esse tipo florestal distribui-se em sua maioria nas terras baixas do arenito
terciário, principalmente nas superfícies dissecadas.
Nas áreas aluviais do Quaternário e nas superfícies dissecadas do Terciário e
do Pré-Cambriano, as comunidades são caracterizadas pelas palmeiras e ocupam
situações especiais, tais como: nas planícies inundadas temporariamente ao longo
dos rios; e nos vales das superfícies dissecadas.
Segundo IBGE (1991), as características principais dessas comunidades
florestais são mesofanerófitas rosuladas. As espécies ocorrentes nessa tipologia,
21
embora dominando preferentemente nos ambientes descritos, são encontradas em
escala menor em outros ambientes.
2.3.4 Floresta aberta com bambu (taboca) (Guadua weberbaueri)
Segundo Radambrasil (1976), esse tipo florestal apresenta características
fisionômicas facilmente descritas. Nas comunidades locais, o bambu se dispersa
integrando-se no sub-bosque, sempre como um elemento dominado ou pelo menos
sem uma fisionomia marcante. Nas aberturas, onde existe maior incidência de luz
(clareiras, margem de igarapés e ao longo das estradas dos seringueiros), nota-se
um adensamento do tabocal.
2.4 GEOPROCESSAMENTO
Segundo Câmara e Davis (2000), o termo geoprocessamento denota a
disciplina do conhecimento que utiliza técnicas matemáticas e computacionais para
o tratamento da informação geográfica. O uso do Geoprocessamento como
disciplina científica independente ocorreu em 1989, quando nos EUA foi criado o
National Center for Geographycal Information and Analysis.
Geoprocessamento, termo pelo qual é ou tornou-se conhecido o
processamento digital de dados referenciados geograficamente através de sua
localização e relação espacial, é, na definição de Rodrigues (1993), entendido como
“o conjunto de tecnologias de coleta, tratamento, manipulação e apresentação da
informação espacial”. Esse conjunto de tecnologias abriga vários tipos de sistemas e
de técnicas para tratamento da informação espacial ou espacializável, permitindo
visualizá-la em forma de mapas, relatórios e tabelas, constituindo ferramenta de
análise e subsídio à tomada de decisão.
O uso do geoprocessamento nos estudos ambientais resultantes da interação
ambiental e a sociedade permite uma maior dinâmica no processo de geração de
informações, possibilitando maior produtividade nas análises dos dados obtidos
(INPE, 2007).
22
2.4.1 Sistema de Informação Geográfica
Um Sistema de Informação Geográfica (SIG) pode ser definido como aquele
que efetua tratamento computacional de dados geográficos, armazena a geometria e
os atributos de dados georreferenciados e oferece mecanismos para combinar as
várias informações através de algoritmos de manipulação e análise, bem como para
consultar, recuperar, visualizar e plotar conteúdos de base de dados
georreferenciados (CÂMARA; MEDEIROS, 1998).
Pode se dizer que SIGs são ferramentas que manipulam objetos (ou feições
geográficas) e seus atributos (ou registros que compõem um banco de dados)
através do seu relacionamento espacial (topologia) (SILVA JUNIOR, 2004).
Para Bonhan Carter (1996), SIG é um sistema de software computacional
com o qual a informação pode ser capturada, armazenada e analisada, combinando
dados espaciais de diversas fontes de uma base unificada, empregando estruturas
digitais variadas, representando fenômenos espaciais também variados.
De acordo com Silva Junior (2004), SIGs podem ser usados para:
• Organizar a informação espacial;
• Sistematizar essa informação de maneiras diferentes;
• Averiguar certas localizações de acordo com critérios preestabelecidos;
• Combinar múltiplos planos de informações;
• Realizar análises espaciais que necessitem associar diferentes tipos de
dados.
Segundo Beedasy e Whyatt (1999), o acesso a informação não deve ser
restrito aos usuários especializados em SIG ou apenas aos tomadores de decisão,
mas aberto a todos os participantes envolvidos no processo de planejamento e
gestão, ou seja, assessores, técnicos, planejadores, grupos de interesse e
população local. Um SIG amigável e interativo pode se tornar uma ferramenta
participatória e exploratória, uma vez que discussões e negociações são aspectos
importantes na tomada de decisão.
Silva Junior (2004) cita algumas ponderações necessárias para utilização do
SIG, como ferramenta de suporte a tomada de decisão:
a) As prioridades tem que ser estabelecidas previamente a partir de critérios
claros e expressivos;
23
b) Os tomadores de decisão necessitam ter em mãos métodos de análise
que permitam selecionar as alternativas mais apropriadas;
Mais de um participante deve estar envolvido no processo de decisão.
c) No suporte a tomada de decisão, em um contexto espacial, a capacidade
analítica do SIG deve ser estruturada de forma que permita resolver
problemas que se caracterizam por envolver objetivos diversificados e
critérios múltiplos; dessa forma, a integração do SIG com as técnicas de
avaliação escolhidas se torna mais operante (BEEDASY; WHYATT, 1999)
2.4.2 Sensoriamento Remoto
Segundo Novo (2008), o Sensoriamento Remoto é definido, como sendo a
tecnologia que permite a aquisição de informações sobre objetos, sem o contato
direto com eles. A aquisição de informações sobre objetos a partir da detecção e
mensuração de mudanças que estes impõem ao campo eletromagnético. Pois a
energia eletromagnética não necessita de um meio de propagação, como os demais
campos. Assim sendo, os sensores puderam ser colocados cada vez mais distantes
dos objetos a serem medidos, até que passaram a ser colocados em satélites,
dando também uma conotação de distância física à palavra remoto.
Neste desenvolvimento, o moderno sensoriamento remoto afastou-se
fortemente de sua origem: a fotografia aérea. Para transmissão da informação, ao
lado da luz na faixa do visível, são usados também outros comprimentos de onda
eletromagnética, que se encontram no infravermelho próximo e médio, no
infravermelho termal ou na faixa de microondas (radar). Os modernos dados de
sensoriamento remoto provêm predominantemente de satélites e são imediatamente
registrados digitalmente (KUX; BLASCHKE, 2007).
Os sistemas são discriminados tipicamente se possuem sensores passivos
isto é, se registram a radiação refletida ou emitida da superfície terrestre, ou se
dispõem de um modo de mapeamento ativo, que lhes permite ter uma fonte de
iluminação praticamente própria, e assim permitir o imageamento diurno e noturno.
Dentre eles incluem-se o sistema laser e radar.
24
2.4.3 Classificação de imagem
As técnicas de classificação digital implicam na implementação de um
processo de decisão para que o computador possa atribuir certo conjunto de pontos
da imagem (pixels) a uma determinada classe. Tais procedimentos tornam o
processo de mapeamento ou reconhecimento de características da superfície
terrestre menos subjetivo e com maior potencial de repetição em situações
subseqüentes (NOVO, 2008).
Para Lillesand et al. (2004), o processamento de imagens é uma equação
ou conjunto de equações aplicadas aos dados dos sensores, armazenando os
resultados da computação para cada pixel. O resultado forma uma nova imagem
digital que pode ser exibida ou armazenada em formato pictórico, para ser
manipulado posteriormente em programas computacionais.
Crosta (1992) demonstra que a classificação automática de imagens
multiespectrais de sensores remotos refere-se a associar uma rotulação
descrevendo um objeto (vegetação) a cada pixel da imagem. Dessa forma, valores
numéricos associados aos pixel são definidos pela refletância dos materiais que
compõem esse pixel, são identificados cada tipo de cobertura da superfície da
imagem, gerando em seguida um mapa temático mostrando a distribuição
geográfica do tema em estudo.
Para tal, faz-se necessária a classificação supervisionada, sendo pré requisito
que o usuário conheça alguma feição da área a ser classificada onde observações
de campo tivessem sido observadas durante a passagem do satélite para adquirir a
imagem. Segundo Crosta (1992), esse tipo de observação é conhecida como
verdade terrestre (ground truth), áreas selecionadas para comparação, com a qual
todos os pixels desconhecidos da imagem serão comparados para decidir a qual
classe pertence.
O método utilizado no presente estudo para análise de imagens de sensores
remotos são mencionados a seguir, são eles Máxima Verossimilhança – Maxver e
Redes Neurais Artificiais.
25
2.4.4 Máxima Verossimilhança – Maxver
Segundo Campbell (1987), um dos algoritmos mais utilizados para
classificação supervisionada, é o Algoritmo da Máxima Verossimilhança, MAXVER.
Este algoritmo utiliza à média e a covariância das amostras de treinamento
para assinalar um pixel desconhecido de uma classe. Dados esses parâmetros,
pode ser computada a probabilidade estatística de um pixel desconhecido pertencer
a uma ou outra classe. Funções de densidade e probabilidade são utilizados para
classificar um pixel desconhecido, computando a probabilidade de que aquele pixel
venha a pertencer a uma dada categoria. Depois avaliar a probabilidade para cada
categoria, o pixel é assinalado na classe que a probabilidade está pré-determinada
pelo analista (RIBEIRO, 2003).
a) Equação de regra de decisão
X=�����1����2⋮����
Onde: X = vetor de medidas dos pixels desconhecidos;
V = matriz de covariância da classe contemplando todas as bandas;
N= número de bandas; i = 1,2,...,m possíveis classes;
Assinale a classe X se e somente se Pc ≥ P 1, sendo:
Pc = probabilidade do vetor X ser assinalado na classe em questão; e
Pi = probabilidade do vetor X ser assinalado em qualquer outra classe.
Vc = determinante da matriz de covariância.
b) A função da densidade de probabilidade é dada a seguir;
����−0,5 log ���������� − !0,5�" − #�� $ �����%&�" − #'�( Logo, para classificar o vetor X, a regra de decisão computa o valor Pc= para
cada classe e atribui o pixel à classe que possua maior valor.
A equação considera que as classes sejam equiprováveis no terreno. No
entanto, em muitas aplicações, existe alta probabilidade de encontrar algumas
26
classes mais freqüentemente do que outras. É possível incluir esta informação a
priori no processo de decisão atribuindo pesos a cada classe c, de acordo com a sua
probabilidade a priori, ac. Assim, a equação torna-se:
c) Função da densidade de probabilidade atribuindo pesos;
���)*��log+�a-� − �−0,5 log ���������� − !0,5�" − #�� $ ���� %&�" − #'�(
Deve-se assinalar na classe c se e somente se Pc(ac) ≥ Pi (ac), em que: i =
1,2...,n possíveis classes.
A probabilidade a priori tem sido usada com sucesso como um meio de
incorporar os efeitos de deslocamento e outras características do terreno na
melhoria da exatidão da classificação (RIBEIRO, 2003).
O algoritmo embora largamente utilizado o MAXVER têm suas limitações
relatadas particularmente quanto à exigência da normalidade dos dados
(KAVZOGLU; MATHER, 2003).
2.4.5 Redes Neurais Artificiais – RNA
As Redes Neurais Artificiais (RNA) são modelos computacionais inspirados no
sistema nervoso biológico, cujo funcionamento é semelhante a alguns
procedimentos humanos, ou seja, aprendam pela experiência, generalizam
exemplos através de outros e abstraem características. Este método procura
resolver problemas pela imitação do cérebro humano, utilizando neurônios
interligados para processar a informação dada. (VENTURIERI; SANTOS, 1998).
As RNA são usualmente organizadas em camadas compostas de unidades
de processamento (neurônios), conectadas por canais de comunicação que fazem
fluir dados numéricos. Os dados são apresentados à rede por meio de uma camada
de entrada, a qual se comunica a uma ou mais camadas ocultas onde ocorre o
processamento por meio de um sistema de conexões ponderadas. A camada de
saída apresenta o resultado do processamento (GERMAN; GAHEGAN, 1996).
O funcionamento da rede é determinado pela conexão entre as unidades de
processamento. É possível treinar uma rede para reproduzir uma função particular
através do ajustamento das conexões entre as unidades. A idéia das RNA é ajustar
a conexão entre os neurônios em função do problema a ser desenvolvido (RIBEIRO,
27
2003). O aprendizado é o processo no qual a taxa de aprendizado da rede ajusta os
pesos através das mudanças do erro fornecido pela saída, isto é, requer que a troca
dos pesos seja proporcional a derivada do erro em relação aos pesos. O gradiente
descendente ideal necessita que passos infinitesimais sejam executados (HAYKIN,
1999).
Modelo de McClulloch e Pitts (1943) conhecendo o potencial de membrana
interpretou o funcionamento do neurônio como um circuito binário (FIGURA 1).
FIGURA 1 - Modelo de McClulloch e Pitts.
28
3 MATERIAL E MÉTODOS
Os materiais utilizados foram três imagens Landsat/TM órbita ponto 01-65, 02-
65 e 02-66, hardware e softwares, conforme descrição a seguir.
3.1 IMAGEM LANDSAT/TM 5
Os dados processados no presente estudo foram derivados de três imagens
obtidas pelo Mapeador Temático – TM (Thematic Mapper) do satélite Landsat 5,
obtidas em 29 de junho de 2007 nas bandas 1,2,3,4,5,6, e 7 (FIGURA 2). No
QUADRO 01 são apresentadas a porção do espectro eletromagnético e a resolução
espacial referentes a cada banda utilizada.
FIGURA 2 – Mapa da área de estudo da ocorrência do cacau nativo na várzea do Rio Purus – Amazonas.
29
QUADRO 1 – Resolução espacial e aplicações das bandas do satélite Landsat/TM 5
Banda Espectro Comprimento de onda
Aplicações
TM1 Azul (VIS) 0,45 – 0,52 - Boa penetração na água (mapeamento do litoral) distinção solo/vegetação
TM2 Verde (VIS) 0,52 – 0,60 - Reflexão máxima no espectro verde- determinação da vitalidade da vegetação
TM3 Vermelho (VIS) 0,63 – 0,69
- Absorção alta de clorofila - Distinção solo/vegetação - Diferença dos tipos de trigo
TM4 NIR 0,76 – 0,90
- Reflexão alta da vegetação - Determinação da massa orgânica - Distinção terra/água
TM5 MIR 1,55 – 1,75
- Absorção mínima da água - Determinação do conteúdo de água no solo e na vegetação -Distinção nuvem/neve - Aplicações geológicas
TM6 TIR 10,4 – 12,5
- Determinação de temperatura e umidade das superfícies terrestres - Análise de “Stress” da vegetação -Distinção cidade/campo
TM7 MIR 2,08 – 2,35
- Aplicações geológicas - Diferença entre minerais e rochas - Determinação do conteúdo da água no solo e na vegetação
Fonte: LILLESAND e KIEFER (1979).
3.2 EQUIPAMENTOS UTILIZADOS NO TRATAMENTO DAS IMAGENS
Na realização do trabalho utilizou-se um microcomputador Intel Core (TM) 2
Duo, CPU 2.00 GHz. Com HD de 320 GB e memória RAM de 4 GB, aparelho
receptor de Sistema de posicionamento Global – GPS 76csx, câmera digital Nikon
10.0 mega pixels e os seguintes softwares: ArcGIS 9.2, Envi 4.6, Erdas Imagine 9.1
e Microsoft Excel.
30
3.3 SOFTWARES
Para aquisição, processamento dos dados, e classificação do mapa da
cobertura vegetal cacaueira fez-se o uso dos softwares acompanhados das
respectivas funções desempenhadas.
ArcGIS 9.2 (ESRI, 2004): digitalização das regiões de ocorrência de cacau de
acordo com a textura e padrões de cor observadas na imagem e utilizado o layout
para visualização das classificações em forma de cartas temáticas para elaboração
dos mapas.
Erdas Imagine 9.1: usado para o processamento das imagens, registro das
imagens, redução da dimensionalidade, composição de bandas e recortes.
Envi 4.6: seleção das áreas de treinamento e ferramentas de classificação
supervisionada: Máxima verossimilhança e Redes Neurais Artificiais. E
processamento das variáveis para análise da matriz kappa e teste de significância.
Microsoft Excel: Usado para tabulação dos dados, pontos coordenadas (x,y),
organização dos índices gerados pelo classificador.
3.4 HARDWARES
Aparelho receptor de Sistema de posicionamento Global – GPS 76csx: usado
em campo para captura de ponto de padrões das classes de cobertura e uso do
solo.
Câmera digital Nikon 10.0 mega pixels: utilizada para registrar regiões de
ocorrência das espécies cacaueiras.
Microcomputador com Intel Core (TM) 2 Duo CPU 2.00 GHz. com HD de 320
GB e memória RAM de 4 GB.
31
3.5 METODOLOGIA
Para verificação das regiões de ocorrência de cacau foram realizadas duas
etapas de interpretação de imagens de satélite.
As metodologias utilizadas neste trabalho utilizaram as seguintes técnicas:
trabalho em laboratório com digitalização das áreas de ocorrência de cacau de forma
visual utilizando imagens Landsat/TM5 bandas 3, 4 e 5 e relacioná-las com aspectos
perceptíveis na imagem de acordo com padrões identificados, como: textura, padrão
de cor e rugosidade da imagem.
Posteriormente, trabalho de campo para reconhecimento de padrões e coleta
de amostra das classes de cobertura do solo em seguida o trabalho de laboratório
para processamento de dados e classificação supervisionada detalhados a seguir.
3.6 CLASSIFICAÇÃO VISUAL
Para separar os diferentes padrões das tipologias florestais nas imagens foi
utilizada a interpretação visual onde foram sobrepostas as tipologias identificadas no
Radambrasil (1976) sobre as imagens de satélite adquiridas para delimitação dos
polígonos. A classificação das fisionomias florestais foi realizada comparando os
diferentes padrões apresentados na imagem como pode ser observado na FIGURA
2.
FIGURA 3 – Imagem do satélite LANDSAT, 2007 identificando áreas de cacau digitalizadas após interpretação visual.
3.7 TRABALHO DE CAMPO
Os trabalhos de campo ocorreram seguindo um roteiro pré
durante a alocação das parcelas do Inventário Florestal amostral da área,
coordenada pelo professor Dr. Ecio Rodrigues e por uma equipe da Universidade
Federal do Acre. As incursões a floresta ocorreram em três
meses de Março/abril, Maio/Junho e Janeiro/Fevereiro, totalizando
aproximadamente 45 (quarenta e cinco) dias.
Os pontos foram coletados ao longo de toda várzea margeando o médio
Purus procurando acess
uso do solo. Foram visitados os diferentes compartimentos da paisagem, como
diferentes formas de relevo. Durante o percurso
pontos georreferenciados por m
sendo coletados trinta pontos.
Após um reconhecimento geral da área, em função da escala e resolução dos
dados disponíveis para o processo de classificação das imagens, foram identificadas
cinco classes de cobertura e uso do solo: Floresta de várzea, Floresta de terra firme,
Rio e lagos, Solo exposto e
Imagem do satélite LANDSAT, 2007 identificando áreas de cacau digitalizadas após interpretação visual.
TRABALHO DE CAMPO
Os trabalhos de campo ocorreram seguindo um roteiro pré
durante a alocação das parcelas do Inventário Florestal amostral da área,
coordenada pelo professor Dr. Ecio Rodrigues e por uma equipe da Universidade
e. As incursões a floresta ocorreram em três expedições
meses de Março/abril, Maio/Junho e Janeiro/Fevereiro, totalizando
aproximadamente 45 (quarenta e cinco) dias.
Os pontos foram coletados ao longo de toda várzea margeando o médio
ndo acessos as diferentes tipologias da cobertura vegetal e classes de
uso do solo. Foram visitados os diferentes compartimentos da paisagem, como
diferentes formas de relevo. Durante o percurso foram adquiridas
pontos georreferenciados por meio de GPS das distintas áreas da cobertura do solo,
pontos.
Após um reconhecimento geral da área, em função da escala e resolução dos
dados disponíveis para o processo de classificação das imagens, foram identificadas
de cobertura e uso do solo: Floresta de várzea, Floresta de terra firme,
Rio e lagos, Solo exposto e Áreas de ocorrência de cacau. As cenas adquiridas não
32
Imagem do satélite LANDSAT, 2007 identificando áreas de cacau
Os trabalhos de campo ocorreram seguindo um roteiro pré-estabelecido,
durante a alocação das parcelas do Inventário Florestal amostral da área,
coordenada pelo professor Dr. Ecio Rodrigues e por uma equipe da Universidade
expedições entre os
meses de Março/abril, Maio/Junho e Janeiro/Fevereiro, totalizando
Os pontos foram coletados ao longo de toda várzea margeando o médio
s as diferentes tipologias da cobertura vegetal e classes de
uso do solo. Foram visitados os diferentes compartimentos da paisagem, como
foram adquiridas fotografias e
eio de GPS das distintas áreas da cobertura do solo,
Após um reconhecimento geral da área, em função da escala e resolução dos
dados disponíveis para o processo de classificação das imagens, foram identificadas
de cobertura e uso do solo: Floresta de várzea, Floresta de terra firme,
reas de ocorrência de cacau. As cenas adquiridas não
33
apresentaram nuvem ou sobra de nuvem, assim não foi necessário apresentar e
acrescentar as classes informacionais. A área de abrangência do referido estudo
compreendeu imageamento de três cenas apresentadas na FIGURA 3.
FIGURA 4 – Área imageada do projeto compreendendo as cenas do satélite Landsat
órbita ponto 01/65, 02/65 e 02/66.
3.8 TRABALHO DE LABORATÓRIO
Os trabalhos de processamento dos dados e classificação foram realizados
no Laboratório de Geoprocessamento do Departamento de Solos da Universidade
Federal de Viçosa.
Os trabalhos de laboratório iniciaram após conclusão do trabalho de campo. A
primeira etapa do trabalho consistiu na implementação da base de dados
geográficos em SIG. Os processamentos dos dados ocorreram em função da
necessidade de definir critérios para a montagem de um projeto, quais: definição de
sistema de projeção cartográfica, Datum, unidade de representação e modelo;
também se fez necessária edição dos dados no sentido de corrigir, reduzir
dimensionalidade e transformações para o formato dos softwares utilizados.
O formato de representação dos dados exigiu a definição de um tamanho de
célula usado para amostragem da imagem e representação dos atributos, devido a
34
escala da região em estudo, neste adotou-se o tamanho de célula de 30 x 30
metros.
A área do projeto foi delimitada com geração de um buffer de 3 km de cada
margem do rio Purus, devido às condições de coleta do cacau nativo na região não
ultrapassarem essa distância verificado na FIGURA 4.
FIGURA 5 - Área do Projeto realizada buffer de 3 km de cada margem do Rio.
Para atender a mecanismos de processamento dos softwares e modelo de
dados utilizados, as cenas foram recortadas em (07) sete retângulos não uniformes
devido à disposição do curso do Rio Purus ser irregular, buscando centralizá-lo nos
recortes contemplando toda extensão da área de estudo. Esse limite foi utilizado
para definir a dimensão de todos os mapas utilizados, otimizando o tempo de
processamento e classificação com a redução das cenas como pode ser observado
na FIGURA 5.
35
FIGURA 6 – Recortes realizados nas cenas do satélite Landsat órbita ponto 01/65,
02/65 e 02/66.
3.9 DEFINIÇÃO DAS VARIÁVEIS
Neste trabalho, a seleção das variáveis atribuídas para uso ocorreu de acordo
com o dado necessário para solucionar o problema investigado, devido à
disponibilidade de informações bem como as características e o conhecimento
teórico de trabalhos de mapeamento da cobertura vegetal na região Amazônica
como Acre (2000), Radambrasil (1976) e IBGE (1991).
3.10 AMOSTRAGEM
As amostras foram coletadas de forma aleatória sobre uma imagem composta
por todas as variáveis da camada de entrada da rede. O reconhecimento dos
padrões foi realizado a partir de pontos obtidos em campo sobre a imagem
composta.
Para cada conjunto de variáveis adquiriu o mesmo número de amostras para
treinamento e para validação da classificação. Assim como Novo (2008), os números
de amostras foram representativas de todos os pixels daquela classe, sendo
ajustadas aos pressupostos teóricos da regra de decisão adotada.
36
Para tanto coletou aleatoriamente 500 amostras para treinamento (100 para cada
classe) e 100 para a validação da exatidão da classificação (200 amostras por
classe), por cada uma das sete (07) regiões recortadas para análise. A aquisição
das amostras de padrões das classes foi realizada utilizando o programa ENVI.
3.11 CLASSIFICAÇÃO SUPERVISIONADA
A partir de levantamentos de campo, foram coletadas amostras utilizadas no
treinamento do classificador, sendo estas amostras coletadas da seguinte forma: por
pixel e por regiões. As amostras por regiões foram coletadas e digitalizadas em
forma de polígonos sobre as feições de interesse na imagem, cada amostra de
treinamento e representada por pixels com reflexão característica.
Na classificação por Maxver as amostras coletadas por pixels são amostras
nas quais os valores numéricos dos pixels amostrados são os dados que compõem
o arquivo de treinamento sendo utilizado para tal a ferramenta Image threshold,
possibilitando o controle e a probabilidade dos parâmetros da classificação.
Segue as classes e o número das respectivas amostras de treinamento
coletadas para todas as regiões. As classes que foram definidas para região de
treinamento são:
1 – Floresta de terra firme
2 – Floresta de várzea
3 – Presença de água
4 – Solo exposto
5 – Presença de cacau
QUADRO 2 – Número de amostras de treinamento coletadas para cada classe de treinamento
Classe informacional N de pixels N de regiões
Floresta de terra firme ±100 20 Floresta de várzea ±100 20 Presença de água ±100 35
solo exposto ±100 20 Presença de cacau ±100 30
37
Após a seleção das amostras aplicou-se os algoritmos utilizados para efetuar
as classificações foram da Máxima Verossimilhança – Maxver e o de Redes Neurais
Artificiais (Backpropagation) (retropropagação), através da plataforma de
classificação do software Envi 4.6. As formulações matemáticas desses algoritmos
são descritas no item 2.2.4 e 2.2.5.
Foram realizados testes para escolha do método interno e rede de
parâmetros de treinamento do algoritmo de classificação. Os treinamentos e
validação das amostras nos conjuntos de variáveis, observando o desempenho por
meio dos relatórios e gráficos da matriz de confusão. Testou diferentes parâmetros
internos para rede e diferentes taxas de aprendizagem, na busca de melhor
desempenho do classificador.
O processo de classificação constou do treinamento e classificação das
amostras dos conjuntos de variáveis semelhante para os dois métodos de
classificação, Maxver e Redes Neurais, onde o programa classificava as amostras
por um método e em seguida o outro. Vários parâmetros foram testados, observando
o desempenho a partir da matriz de confusão.
3.12 VALIDAÇÃO DA EXATIDÃO DA CLASSIFICAÇÃO
A validação da exatidão de uma classificação e o último passo do processo
de classificação. A forma mais utilizada segundo Novo (2008), e a comparação do
mapa derivado da imagem com o mapa de referência a partir de uma matriz de erro,
também conhecida como matriz de confusão. A exatidão de uma classificação
representa a concordância entre a informação do mapa temático gerado e a
informação real do espaço geográfico mapeado.
A análise da matriz de confusão é considerada o método mais indicado para
avaliar a exatidão da classificação de dados de sensores remotos. Congalton &
Green (1999), citam que a exatidão da classificação depende de outros fatores,
sendo: a quantidade de esforço, nível do detalhamento (classificação) e a
variabilidade de categorias a serem mapeadas. Portanto o índice de exatidão de
classificação considerado excelente para um classificador pode não ser tão eficaz
para outro.
38
Novo (2008) recomenda a validação da exatidão da classificação através dos
dados provenientes da tabela de contingência ou matriz de confusão. Na matriz de
confusão os dados de referência estão apresentados nas colunas e os dados
classificados apresentados nas linhas. Os valores da diagonal principal representam
o nível de concordância entre os dois conjuntos de dados.
A matriz de confusão apresenta indicadores da exatidão da classificação.
Nela observamos o erro de comissão e de omissão, coeficiente kappa e a exatidão
global. A exatidão global representa a concordância de classificação para todo o
mapa de um modo geral. O calculo da Po é feito dividindo o total de unidades
amostrais classificadas pelo total de unidades amostrais registrado na amostra
conforme EQUAÇÃO A.
a) Equação kappa
./ = ∑ 23345�56
Onde;
Po= exatidão global;
N= número total de unidades amostrais contempladas pela matriz;
nii= os elementos da diagonal principal
m= número de classes da matriz.
A exatidão global (Po) fornece um índice de classificação que representa a
concordância para todo mapa sem apresentar a exatidão das classes de forma
individual. Para a análise estatística de exatidão de cada classe, procede-se
dividindo o número de unidades amostrais classificadas corretamente numa classe
pelo número total de amostras de referência dessa classe.
O resultado indica a percentagem de uma unidade de referência esta
corretamente classificada, este é, portanto, uma medida do erro de omissão, sendo
este erro encontrado dividindo-se o total do pixel classificado corretamente numa
classe pelo número total de pixel classificado corretamente numa classe pelo
número total de pixels de cada respectiva classe (IPPOLITE; RAMILO, 1999).
A estatística kappa, que também aparece na matriz de erro, diferentemente
da exatidão global, utiliza todos os dados da matriz para o cálculo da concordância
39
do mapeamento. Esta estatística é considerada como um indicador adequado para
avaliação da exatidão de classificação.
A análise do kappa é uma técnica multivariada discreta usada para determinar
estatisticamente se a matriz de confusão é significativamente melhor que outra. O
índice kappa varia de 0 a 1 valores próximos de 0 indica baixa concordância entre o
mapa gerado e as informações de campo, enquanto que valores próximo de 1 indica
maior concordância da classificação.
O cálculo do kappa é calculado segundo a equação 02. Onde Po é a exatidão
global; Pe é calculado segundo a EQUAÇÃO B.
b) Equação Kappa
K = 78%7+&%7+
c) Equação Porções marginais das linhas
�� = ∑ �9:∗<=>?9�!�A
3.13 PÔS-PROCESSAMENTO
Após a classificação aplicou-se filtros para eliminar grupo de células com
áreas dispersas na imagem classificada, esse processamento visa melhorar a
qualidade visual da imagem final, eliminando pequenas células consideradas ruídos
usando a função de aglutinação de classes (Clump Classes). Como etapa final do
processo de classificação foi realizado processamento e conversão das imagens
classificadas para realização de tratamentos e edição em ambiente ArcGIS 9.2.
40
4 RESULTADOS E DISCUSSÃO
4.1 AVALIAÇÃO QUANTITATIVA DAS IMAGENS
Foram obtidas quatorze classificações supervisionadas que utilizaram um
conjunto de dados e treinamento para os classificadores de máxima verossimilhança
e redes neurais artificiais (FIGURA 6).
FIGURA 7 – Conjunto de dados e treinamento para o classificador de máxima
verossimilhança e Redes Neurais Artificiais.
O melhor desempenho de classificação para ambas as metodologias foi
obtido com o uso da composição das bandas cujo espectro seguiu a seguinte
ordem: Infravermelho de ondas curtas (MIR) com comprimento de onda 1,55 – 1,75,
infravermelho próximo (NIR), com comprimento de onda 0,76 – 0,90 e o vermelho
visível (VIS) com comprimento de onda 0,63 – 0,69.
Na classificação por Maxver buscou-se testar valores entre 0 e 1 adotando
um valor para controlar o parâmetro da classificação Probability Threshold.
41
Entretanto, o classificador obteve melhores resultados com os parâmetros padrões
(default) do sistema computacional para análise das imagens, que não adota valores
para controle do desvio padrão da amostragem selecionando a opção none.
Para classificação por redes neurais artificiais, os melhores resultados obtidos
seguiram a contribuição do peso interno com nível de ativação de 0,9 para o ponto
Training Threshold Contribution e de 0,2 para taxa de treinamento Training Rate,
incorrendo em um processamento mais demorado, porém com menor risco nas
oscilações dos resultados.
Após o treinamento foi realizada a classificação dos pixels e geração da
matriz de confusão. As avaliações das classificações foram feitas por meio de
comparação entre as estatísticas geradas resultantes da matriz de confusão de cada
algoritmo classificador. O conjunto de variáveis das amostras classificadas pelo
algoritmo maxver obteve maior exatidão global na classificação quando comparada a
redes neurais.
4.2 CLASSIFICAÇÃO DA IMAGEM 1
Dentre os algoritmos testados para classificação da imagem 1 maxver
apresentou melhor resultado, com índice de exatidão global de 95,8963%, e índice
kappa de 0.9484.
Observa-se na matriz de confusão (QUADRO 3) que todas as classes
mapeadas apresentaram índice de exatidão acima de 87%. Os piores desempenhos
foram obtidos pelas classes floresta aberta e cobertura cacaueira, com exatidão de
89,81% e 90,79%, respectivamente. Por outro lado, o melhor desempenho, foi obtido
pela classe água e solo exposto com índice de exatidão de 100% tanto para
acurácia do analista quando para acurácia do programa.
O maior confundimento entre classes ocorreu entre a a classe de cobertura
de cacau e floresta aberta com palmeiras, com 12,66% dos pixels classificados
erroneamente como floresta e 7,62% dos pixels da classe floresta aberta
classificados como cobertura de cacau. A semelhança entre as classes de floresta
com palmeiras e cobertura de cacau favoreceu o confundimento, pois ambas
ocorrem em situação similar.
42
QUADRO 3 – Matriz de confusão – imagem 1 Maxver
Matriz de Confusão- imagem 01 Precisão Geral= (444/463) 95,8963%
Kappa Coeficiente = 0.9484
Classes
Análise verdade (Pixels) Precisão do
analista (%) Água Cacau Solo Floresta
Floresta densa
Não classificados 0 0 0 0 0 0
Água 73 0 0 0 0 100 Cacau 0 69 0 10 0 87,34 Solo 0 0 109 0 0 100
Floresta 0 10 0 97 1 92,38 Floresta densa 0 0 0 0 96 98,97 Total 73 108 109 108 97
Precisão do prog. (%) 100 90,79 100 89,81 98,97
Realizou-se a classificação da imagem 1 pelas redes neurais, com conjunto
de amostras de treinamento e validação como utilizado na classificação pelo Maxver.
A comparação inicial constou da verificação do MSE (Mean Square Error, erro médio
quadrático) após 1.000 ciclos de aprendizado (QUADRO 4).
QUADRO 4 – Matriz de confusão – imagem 1 Redes Neurais
Matriz de Confusão- imagem 01 Precisão Geral= (607/673) 90.1932%
Kappa Coeficiente = 0.8766
Classes
Análise verdade (Pixels) Precisão do
analista (%) Água Cacau Solo Floresta
Floresta densa
Não classificados 0 0 0 0 0 0
Água 132 0 0 0 12 91,03 Cacau 0 135 0 22 0 85,99 Solo 0 0 126 0 0 100
Floresta 0 8 0 136 23 81,44 Floresta densa 0 0 0 0 78 100 Total 132 143 126 159 113
Precisão do prog. (%) 100 94,41 100 85,53 69
43
4.3 CLASSIFICAÇÃO DA IMAGEM 2
O QUADRO 5 apresenta a matriz de confusão obtida para a classificação das
variáveis da imagem 2 por maxver. Observa-se que o índice de exatidão global foi
de 94,6701%, e índice kappa de 0.9282.
As variáveis selecionadas pela ferramenta Region of Interest, para discriminar
as classes de cobertura e uso do solo, apresentaram índice kappa de 0.92, valor
2,2% menor que o índice Kappa obtido pela classificação da imagem 1.
O QUADRO 5 apresenta a estatística da matriz de confusão da classificação
da imagem 2. Todas as classes obtiveram índices acima de 85%
Todas as informação espectrais foram analisadas em ambas classificações.
As bandas espectrais selecionadas para compor o resultado têm suas
representatividades na discriminação das classes de cobertura e uso do solo em
função das características de respostas de alvos presente na área de estudo. A
banda 4 do sensor TM aquela que mais contribuiu para distinção de padrões de
vegetação, principalmente, considerando as características morfológicas do
cacaueiro, onde áreas de floresta são altamente semelhantes as áreas que ocorrem
o cacau.
QUADRO 5 – Matriz de confusão – imagem 2 Maxver
Matriz de Confusão- imagem 02 Precisão Geral= (482/503) 94.6701%
Kappa Coeficiente = 0.9282
Classes
Análise verdade (Pixels) Precisão do
analista (%) Água Cacau Solo Floresta
densa Floresta
Não classificados 0 0 0 0 0 0
Água 69 0 0 0 0 100 Cacau 0 116 0 1 0 99,15 Solo 0 0 109 0 0 100
Floresta 0 1 0 97 4 95,1 densa
Floresta 0 1 0 14 91 85,85 Total 69 118 109 112 95
Precisão do prog. (%)
100 98,31 100 86,61 95,79
44
Segundo Foody e Arora (1997), a habilidade para classificar dados de
sensores remotos de uma rede neural artificial pode ter influência significativa em
sua arquitetura. Nesta classificação, foram obtidos com uma arquitetura de rede com
apenas uma camada interna contendo 10 neurônios, padrão do programa Envi 4.6.1.
O QUADRO 6 mostra, ainda, que as feições de cacau, e floresta possuem
valores inferiores quando comparados a classificação por maxver, que apresentou
melhor resultado global para esta imagem.
QUADRO 6 – Matriz de confusão – imagem 2 Redes Neurais
Matriz de Confusão- imagem 02
Precisão Geral= (424/463) 91.5767% Kappa Coeficiente = 0.8947
Classes
Análise verdade (Pixels) Precisão do
analista (%) Água Cacau Solo Floresta
Floresta densa
Não classificados 0 0 0 0 0 0
Água 102 0 0 0 0 100 Cacau 0 77 0 1 0 89,53 Solo 0 0 89 0 0 100
Floresta 0 21 0 74 0 76,29 Floresta densa 0 3 0 4 102 92,13 Total 102 101 89 87 102
Precisão do prog. (%)
100 76,24 100 76,29 97,62
4.4 CLASSIFICAÇÃO DA IMAGEM 3
A classificação por maxver foi a que apresentou melhor desempenho na
terceira imagem classificada (QUADRO 7). O índice de exatidão global foi de
96.2353% e índice kappa de 0.9520.
O índice kappa da imagem 5 foi 2.5% maior que o índice kappa obtido pela
classificação da imagem 4 e 0,4% maior do que a imagem 1. Assim como na
imagem 3, o maior conflito foi observado entre as classes cobertura de cacau e
floresta aberta, dada a semelhança entre a resposta espectral da vegetação.
45
QUADRO 7 – Matriz de confusão – imagem 3 Maxver
Matriz de Confusão- imagem 03 Precisão Geral= (409/425) 96.2353%
Kappa Coeficiente = 0.9520
Classes
Análise verdade (Pixels) Precisão do
analista (%) Água Cacau Solo Floresta
Floresta densa
Não classificados 0 0 0 0 0 0
Água 115 0 0 0 0 100 Cacau 0 56 0 2 0 96,55 Solo 0 0 67 0 0 100
Floresta 0 8 0 60 3 84,51 densa
Floresta 0 0 0 3 111 97,37 Total 115 64 67 65 114
Precisão do prog. (%) 100 87,5 100 92,31 97,37
A classificação por redes neurais (QUADRO 8) apresentou dentre as classes
avaliadas, a menor exatidão obtida para a classe floresta densa com a menor
acurácia das classificações com 25,29%.
QUADRO 8 – Matriz de confusão – imagem 3 Redes Neurais
Matriz de Confusão- imagem 03 Precisão Geral= (315/409) 77.0171%
Kappa Coeficiente = 0.7137
Classes
Análise verdade (Pixels) Precisão do
analista (%) Água Cacau Solo Floresta
Floresta densa
Não classificados 0 0 0 0 0 0
Água 69 0 0 0 0 100 Cacau 0 71 0 2 0 100 Solo 0 0 86 0 0 100
Floresta 18 0 0 67 22 44,67 Floresta densa 0 0 0 11 87 66,67 Total 87 71 86 78 87
Precisão do prog. (%) 79,31 100 100 85,9 25,29
46
4.5 CLASSIFICAÇÃO DA IMAGEM 4
O resultado da classificação da imagem 4 que melhor representou a área de
estudo foi a realizada por redes neurais. Nesta classificação o software utilizou como
informações na camada de entrada os valores espectrais das bandas 3,4,5 do
sensor TM do Landsat.O resultado da exatidão da classificação está apresentado
na matriz de confusão (QUADRO 9), com índice kappa de 0,9263.
Este conjunto de variáveis apresentou diferenças nos índices de classificação
quando comparado com as imagens 1, 2 e 3, classificados por maxver. A classe
floresta densa foi a que apresentou o maior conflito, com acurácia de 74%, outro
conflito observado ocorreu na classe floresta aberta semelhante às respostas das
classificações das imagens 1,2 e 3 no entanto, o índice de confusão mostrou-se
inferior as demais apresentando 70,71%.
QUADRO 9 – Matriz de confusão – imagem 4 – Redes Neurais
Matriz de Confusão- imagem 04
Precisão Geral= (471/481) 94,5674% Kappa Coeficiente = 0.9263
Classes
Análise verdade (Pixels) Precisão do
analista (%) Água Cacau Solo Floresta
Floresta densa
Não classificados 0 0 0 0 0 0
Água 113 0 0 0 0 100 Cacau 0 129 0 1 0 99,23 Solo 0 0 67 0 0 100
Floresta 0 8 0 154 26 85,56 Floresta densa 0 0 0 0 74 100 Total 113 129 67 155 100
Precisão do prog. (%) 100 100 100 99,35 74
O QUADRO 10 mostra a classificação por maxver, nesta avaliação, a classe
que apresentou o maior erro na classificação foi a classe floresta aberta com
acurácia de 70,71%.
47
QUADRO 10 – Matriz de confusão – imagem 4 – Maxver
Matriz de Confusão- imagem 04 Precisão Geral= (422/495) 85.2525%
Kappa Coeficiente = 0.8144
Classes
Análise verdade (Pixels) Precisão do
analista (%) Água Cacau Solo Floresta
Floresta densa
Não classificados 0 0 0 0 0 0
Água 106 0 0 0 0 100 Cacau 0 109 0 1 0 100 Solo 27 0 94 0 0 77,69
Floresta 0 0 0 70 16 81,4 Floresta densa 0 1 0 29 43 78,9 Total 133 110 94 99 59
Precisão do prog. (%) 79,7 99,09 100 70,71 72,88
4.6 CLASSIFICAÇÃO DA IMAGEM 5
Para classificação da imagem 5 o melhor desempenho foi obtido pelas redes
neurais. O índice de exatidão global de foi 97,3753% e índice kappa de 0.9645.
Em relação ao índice kappa da imagem 4 classificada por redes neurais,
apresentou superioridade de 3,96% em relação aos índices obtidos pelas
classificações por maxver das imagems 1, 2 e 3 esses valores representam
respectivamente 1,48%, 1,14% e 2,71. Pode-se observar no QUADRO 11 que não
ocorreu conflito entre as classes de cacau e floresta aberta.
Para classificação da imagem 05 (QUADRO 12) por maxver, situação
semelhante foi notada para a classe floresta densa, que também teve maior
confundimento dos seus pixels assinalados erroneamente à classe de floresta.
Por outro lado, solo exposto e rio apresentaram respectivamente, com
exatidão de 100% dos pixels corretamente classificados.
48
QUADRO 11 – Matriz de confusão – imagem 5 – Redes Neurais
Matriz de Confusão- imagem 05 Precisão Geral= (537/564) 97,3753%
Kappa Coeficiente = 0.9645
Classes Análise verdade (Pixels) Precisão
do analista(%) Água Cacau Solo Floresta
Floresta densa
Não classificados 0 0 0 0 0 0
Água 75 0 0 0 0 100 Cacau 0 88 0 1 0 100 Solo 0 0 100 0 0 100
Floresta 0 0 0 125 10 92,59 Floresta densa 0 0 0 0 83 100 Total 75 88 100 125 93
Precisão do prog. (%)
100 100 100 100 89,25
QUADRO 12 – Matriz de confusão – imagem 5 – Maxver
Matriz de Confusão- imagem 05 Precisão Geral= (414/451) 91.7960%
Kappa Coeficiente = 0.8969
Classes
Análise verdade (Pixels) Precisão do
analista (%) Água Cacau Solo Floresta
Floresta densa
Não classificados 0 0 0 0 0 0
Água 80 0 0 0 0 100 Cacau 0 80 0 2 0 97,56 Solo 0 0 78 0 0 100
Floresta 0 1 0 83 16 83 Floresta densa 0 0 0 18 93 83,78 Total 80 81 78 103 109
Precisão do prog. (%)
100 98,77 100 80,58 85.32
49
4.7 CLASSIFICAÇÃO DAS IMAGENS 6 E 7
Para a classificação das imagens 6 e 7 o melhor resultado foi obtido pelo
maxver, onde o índice de exatidão global foi de 100% e índice kappa de 1 para
ambas imagens processadas (QUADRO 13 e 14). Nessa classificação observamos
que o número de pixels foi diferenciado para duas imagens, entretanto não houve
confundimento entre classes, como observados para classificação das outras
imagens.
QUADRO 13 – Matriz de confusão – imagem 6 – Maxver
Matriz de Confusão- imagem 06
Precisão Geral= (491/491) 100% Kappa Coeficiente = 1.0000
Classes
Análise verdade (Pixels) Precisão do
analista (%) Água Cacau Solo Floresta
Floresta densa
Não classificados 0 0 0 0 0 0
Água 108 0 0 0 0 100 Cacau 0 99 0 1 0 100 Solo 0 0 103 0 0 100
Floresta 0 0 0 100 100 Floresta densa 0 0 0 0 81 100 Total 108 99 103 100 81
Precisão do prog. (%)
100 100 100 100 100
Uma vez que a classificação por maxver generaliza melhor a classificação das
imagens 6 e 7, a matriz de confusão obtida para estas imagens por rede neural é
apresentada nos QUADROS 12 e 14. Nesta avaliação, a classe que apresentou o
maior erro na classificação, tal como não ocorreu para nenhuma classe da
classificação pelo Maxver, foi a classe floresta. Entretanto, a classificação verificada
para imagem 6 e 7 por esse algoritmo apresenta índice kappa de 0,8549 e 0,9374
respectivamente, visto que, também são considerados bons índices de classificação
(QUADROS 15 e 16).
50
QUADRO 14 – Matriz de confusão – imagem 6 – Redes Neurais
Matriz de Confusão- imagem 06 Precisão Geral= (388/439) 88.3827%
Kappa Coeficiente = 0.8549
Classes
Análise verdade (Pixels) Precisão do
analista (%) Água Cacau Solo Floresta
densa Floresta
Não classificados 0 0 0 0 0 0
Água 91 0 0 0 0 100 Cacau 0 74 0 38 0 66,07 Solo 0 0 84 0 0 100
Floresta 0 9 0 50 0 100 densa
Floresta 0 1 0 3 89 95,7 Total 91 84 84 91 89
Precisão do prog. (%) 100 88,1 100 54,95 100
QUADRO 15 – Matriz de confusão – imagem 7 – Maxver
Matriz de Confusão- imagem 07 Precisão Geral= (553/553) 100%
Kappa Coeficiente = 1.0000
Classes
Análise verdade (Pixels) Precisão do
analista (%) Água Cacau Solo Floresta
densa Floresta
Não classificados 0 0 0 0 0 0
Água 148 0 0 0 0 100 Cacau 0 117 0 0 0 100 Solo 0 0 92 0 0 100
Floresta 0 0 0 95 100 densa
Floresta 0 0 0 0 101 100 Total 148 117 92 95 101
Precisão do prog. (%)
100 100 100 100 100
51
QUADRO 16 – Matriz de confusão – imagem 7 – Redes Neurais
Precisão Geral= (572/602) 95.0166% Kappa Coeficiente = 0.9374
Classes
Análise verdade (Pixels) Precisão do
analista (%) Água Cacau Solo Floresta
densa Floresta
Não classificados 0 0 0 0 0 0
Água 109 0 0 0 0 100 Cacau 0 131 0 17 1 87,92 Solo 0 0 141 2 0 98,6
Floresta 0 2 0 101 0 100 densa
Floresta 0 1 0 8 90 91,84 Total 109 133 141 128 91
Precisão do prog. (%) 100 98,5 100 78,91 98,9
4.8 REPRESENTAÇÃO ATRAVÉS DE MAPA DA CLASSIFICAÇÃO
O algoritmo maxver apresentou os melhores resultados de exatidão global
para o mapeamento e menor confusão entre classes, mostrando-se ser o método
mais satisfatório para representação do mapa de cobertura e uso dos solos nas
regiões de ocorrência do cacau nativo na várzea do Purus.
Foram concluídas todas as etapas do processo de classificação para todas as
imagens, utilizando a classificação que obtiveram melhores respostas em relação ao
mapeamento. Após a classificação realizou-se a filtragem da imagem, no entanto, o
resultado da filtragem não condizia com a realidade mascarando algumas feições,
visto que, a metodologia visa a união com os pixels mais próximos. Logo essa
alternativa utilizada pós classificação foi rejeitada para o referido estudo.
A FIGURA 2 representa o mapa de uso e cobertura produzido pela
classificação da imagem 1 por maxver, percebe-se que o conflito esquematizados
nos quadros é visualmente imperceptível.
52
FIGURA 8 – Mapa de uso e cobertura produzido pela classificação da imagem 1 por
maxver, detalhe 1 e 2 mostra pontos coletados em áreas de ocorrência de cacau, detalhe 3 mostra detalhe de região de floresta, detalhe 4 mostra os diferentes tipos de amostras.
FIGURA 9 – Mapa de uso e cobertura produzido pela classificação da imagem 2 por
maxver, detalhe 1, 2 e 4 mostra pontos coletados em áreas de ocorrência de cacau, detalhe 3 mostra detalhe de região de floresta.
53
FIGURA 10 – Mapa de uso e cobertura produzido pela classificação da imagem 3 por maxver, detalhe 1 mostra pontos coletados em áreas de solo exposto, situado no município de Boca do Acre – AM.
FIGURA 11 – Mapa de uso e cobertura produzido pela classificação da imagem 4
por redes neurais, detalhe 1 e 2 mostra pontos de coleta nas margens do rio Purus.
54
FIGURA 12 – Mapa de uso e cobertura produzido pela classificação da imagem 5
por redes neurais, detalhe 1 mostra área de floresta.
FIGURA 13 – Mapa de uso e cobertura produzido pela classificação da imagem 6 por maxver, detalhe do ponto de coleta em região de floresta.
55
FIGURA 14 – Mapa de uso e cobertura produzido pela classificação da imagem 7 por maxver, detalhe 1 mostra ponto de coleta de região com solo exposto.
56
5 CONCLUSÕES
Com base nos resultados apresentados conclui-se que a classificação por
maxver mostrou-se uma técnica adequada para classificar a cobertura cacaueira na
região do médio Purus - AM, alcançando índice de exatidão em duas imagens de
100% para todas feições amostradas.
O maior índice kappa foi obtido com a classificação de maxver usando todas
as bandas do sensor TM e variáveis, o que ressalta o caráter robusto das
classificações amostradas e sua capacidade de generalização das classes
informacionais.
As variáveis utilizadas mostraram-se representativas para no processo de
classificação, empregando distinção entre as classes.
Os resultados mostraram que os dados do meio físico são fontes relevantes
de informações que auxiliam no processo de classificação.
Os mapas gerados por ambas classificações apresentam-se como
documentos cartográficos com informações consistentes para subsidiar estratégias
de extração do cacau nativo na região do médio Purus no Amazonas .
A classificação automática da cobertura e uso do solo apresenta-se como
uma técnica viável para uso em produção de mapas pela disponibilidade de
obtenção de dados de sensoriamento remoto e dados do meio físico.
57
REFERÊNCIAS
ACRE. Governo do Estado do Acre. Programa Estadual de Zoneamento Ecológico-Econômico do Estado do Acre. Zoneamento ecológico-econômico : recursos naturais e meio ambiente - documento final. Rio Branco: SECTMA, 1 v. 2000. ALMEIDA, L. C. de; BRITO, A. M. de. Manejo do cacaueiro silvestre em várzea do estado do Amazonas, Brasil. Agrotrópica , Ilhéus, v. 15, n. 1, p. 47-52, jan./abr.2003. ARAÚJO, H. J. B. de; SILVA, I. G. da. Lista de espécies florestais do Acre: ocorrência com base em inventários florestais. Rio Branco: Embrapa Acre, 2000. 77 p. ARAÚJO, A. P. de; JORDY FILHO, S.; FONSECA, W. N. da. A vegetação da Amazônia brasileira. In: SIMPÓSIO DO TRÓPICO ÚMIDO, 1., 1984, Belém. Anais... Belém: EMBRAPA-CPATU, 1986. p. 135-152. (Documentos, 36). BEEDASY, J.; WHYATTT, D. Diverting the tourists: a spatial decision-suport system for tourism planning on a developing island. In: ITC Journal (International Journal of Applied Earth Observation and Geoinformation), issure 3/4 1 v. Enschede, The Netherlands: ITC, 1999, p. 163-174. BONHAM-CARTER, G. F. Geographic information systems for geoscientists: modeling with GIS. Ottawa, Kansas: Pergamon, 1994. 398 p. BRANDÃO, J. R. Relatório anual de gestão 2007 – atividades do Núcl eo Regional de Extensão Rural da Transamazônica. Belém: CEPLAC/SUPOR/SEREX/NUEX-TRAN, 2007. 52 p. CÂMARA, G.; DAVIS, C. Introdução à ciência da geoinformação. São José dos Campos: INPE, 2000. Disponível em: <http:\\www.dpi.inpe.br/gilberto/livro/introd/>. Acesso em: 21 dez. 2009. CÂMARA, G.; MEDEIROS, J. S. Geoprocessamento em projetos ambientais . 2. ed. São José dos Campos: INPE, 1998. 195 p. CAMPBELL, J. B. Introduction to remote sensing. New York: The Guilford Press, 1987. 551 p.
58
COMISSÃO EXECUTIVA DO PLANO DA LAVOURA DO CACAUEIRA - CEPLAC. Cacau: história e evolução. Disponível em: <http://www.ceplac.gov.br/radar/radar_ cacau.htm>. Acesso em: 12 dez. 2009. COOPERAR. Manejo Comunitário do Cacau Nativo na várzea do médio rio Purus - AM. Projeto CNPq (projeto não publicado) 2009. COSTA, M. P. F. Use of SAR satellites for mapping zonation of vegetation communities in the Amazon floodplain. International Journal of Remote Sensing , London, v. 25, n. 10, p. 1817-1835, may/jun. 2004. CONGALTON, R.; GREEN, K. Assessing the accuracy of remotely sensed data: principles and practices. Boca Raton: CRC/Lewis, 1999. 137 p. CROSTA, A. P. Processamento digital de imagens de sensoriamento r emoto. Campinas: IG/UNICAMP, 1992. 170 p. ESRI. ENVIRONMENTAL SYSTEM RESEARCH INSTITUTE. ArcGis 9.2. New York, 2004. FOODY, G. M.; ARORA, M. K. An evaluation of some factors affecting the accuracy of classification by an artificial neural network. International Journal of Remote Sensing , London, v. 18, n. 4, p. 799-810, mar. 1997. GERMAN, G. W. H.; GAHEGAN, M. N. Neural network architectures for the classification of temporal image sequences. Computers Geosciences , Nova York, v. 22, n. 9, p. 969-979, nov./dec. 1996. HAYKIN, S. Neural networks: a comprehensive foundation. 2. ed. New Jersey: Prentice Hall, 1999. 842 p. INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS. Projeto PRODES: monitoramento da floresta amazônica brasileira por satélite. São José dos Campos: INPE, 2007. 27 p. INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Departamento de Recursos Naturais e Estudos Ambientais. Manual técnico da vegetação brasileira. Rio de Janeiro: IBGE, 1991. 92 p. IPPOLITI-RAMILO, G. A. Imagens TM/LandSat-5 da época de pré-plantio para a previsão da área de culturas de verão. 1999. 183 f. Dissertação (Mestrado em
59
Sensoriamento Remoto) – Instituto Nacional de Pesquisas Espaciais. São José dos Campos, SP, 1999. KAVZOGLU, T.; MATHER, P. M. The use of backpropagating artificial neural network inland cover classification. International Journal of Remote Sensing , London, v. 24, n. 23, p. 4907-4938, dec./jan. 2003. KUX, H.; BLASCHKE, T. Sensoriamento remoto e SIG avançados: novos sistemas sensores, métodos inovadores. 2. ed. São Paulo: Oficina de textos, 2007. 303 p. LILLESAND, T. M.; KIEFER, R. W.; CHIPMAN, J. W. Remote sensing and image interpretation. 5. ed. New York: John Miley & Sons, 2004. 763 p. MARTINS, F. R.; SANTOS, F. A. M. Técnicas usuais de estimativa da biodiversidade. Revista Holos , São Paulo, v. 1 (edição especial), p. 236-267, abr./jun. 1999. MCCULLOCH, W. S.; PITTS, W. A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics , Illinois, v. 5, n. 4, p. 115-133, dec. 1945. MOREIRA, M. A. Fundamentos do sensoriamento remoto: metodologias de aplicação. 3. ed. Viçosa, MG: UFV, 2005. 320 p. NOVO, E. M. L. M. Sensoriamento remoto: princípios e aplicações. 3. ed. São Paulo: Blucher, 2008. 363 p. QUEIROZ, J. E. R. Princípios físicos e comportamento espectral de alvos de sensoriamento remoto. In: QUEIROZ, J. E. R. Curso de especialização em sensoriamento remoto e SIG. Brasília: ABEAS, 1996. p. 15-18. RADAMBRASIL. Ministério das Minas e Energia. Levantamento dos recursos naturais. 1. ed. Rio de Janeiro: SEMA, v. 20. 1976. 663 p. RIBEIRO, R. M. P. Avaliação de métodos de classificação de imagens IK ONOS II para mapeamento da cobertura terrestre. 2003. 253 f. Tese (Doutorado em Ciências Florestais) - Setor de Ciências Agrárias, Universidade Federal de Viçosa, Viçosa, MG, 2003.
60
RODRIGUES, M. Geoprocessamento: um retrato atual. Revista Fator GIS , Curitiba, v. 38, n. 2, p. 20-23, jun. 1993. SILVA JUNIOR, V.P. Modelagem do banco de dados geográficos e visualização do Inventário de Terras da Sub-bacia do Rio Ariranha. In: CONGRESSO BRASILEIRO DE CADASTRO TÉCNICO MULTIFINALITÁRIO,1., 2004, Florianópolis. Anais... Florianópolis: UFSC, 2004. 1-6 p. SOUZA FILHO, P. W. M.; PARADELLA, W. R.; SOUZA JÚNIOR, C.; VALERIANO, D. M.; MIRANDA, F. P.; Sensoriamento remoto e recursos naturais da Amazônia. Amazônia Artigos , São Paulo, v. 58, n. 3, p. 37-41, jul./set. 2006. SOUZA, E. de. Classificadores da cobertura e uso do solo utilizan do redes neurais artificiais como subsídio ao plano de manej o do parque nacional da serra do cipó e área de manejo do Parque Nacional d a Serra do Cipó e área de proteção ambiental Morro da Pedreira - MG. 2007. 50 f. Monografia (Graduação em Geografia) – Departamento de Geografia, Universidade Federal de Viçosa, Viçosa, MG, 2007. VALOIS, A. C. C. Benefícios e estratégias de utilização sustentável da Amazônia. Brasília: Embrapa Informação Tecnológica. 2003. 75 p. VENTURIERI, A.; SANTOS, J. R. Técnicas de classificação de imagens para análise de cobertura vegetal. In: VENTURIERI, A.; SANTOS, J. R. Sistemas de informações geográficas – aplicações na agricultura . 1. ed. Brasília: Embrapa –SPI/ Embrapa-CPAC. 1998. p. 351-317. VERAS, H. F. P. Inventário florestal diagnóstico do cacau nativo e espécies associadas na várzea do médio Rio Purus – Amazonas. 2009. 63 f. Monografia (Graduação em Engenharia Florestal) – Centro de Ciências Biológicas e da Natureza Universidade Federal do Acre, Rio Branco, AC, 2009.
61
GLOSSÁRIO
ACCURACY - exatidão consistência;
ALTITUDE (DE UM PONTO) – Distância vertical a partir de um referencial, geralmente o nível médio dos mares;
APLICATIVO - Termo usado para um programa de computador (software);
ÁREA DO POLÍGONO - tamanho da área;
AVERAGE - média;
BANDA - Um dos níveis de uma imagem multiespectral, representado por valores refletidos de luz ou calor de uma faixa específica do espectro eletromagnético;
BUFFER - área tampão área de influência, área de influência circular, área envolvente
CATEGORY - categoria;
class – classe;
CLASS DIAGRAM - diagrama de classes;
CARTA - É a representação de uma porção da superfície terrestre no plano, geralmente em escala média ou grande, oferecendo-se a diversos usos;
CELL – célula;
[SUPERVISED/UNSUPERVISED] CLASSIFICATION - classificação [guiada/automática] classificação [assistida/automática], [assistida, não assistida];
ERROR MATRIX - matriz de erros;
GEOGRAPHIC INFORMATION SYSTEM (GIS) - Sistemas de Informação Geográfica (SIG);
GROUND CONTROL POINTS - Pontos de Controle Sobre o Terreno;
KAPPA PARAMETER - parâmetro kappa;
LAYER tema nível de informação, camada;
LAYOUT - esquema de impressão mapa;
PIXEL - pixel;
PROJECTION – projecção;
RGB (RED GREEN BLUE) - RGB (Vermelho Verde Azul);
RMS ERROR (ROOT MEAN SQUARE) - erro RMS (Erro Quadrático Médio);
62
APÊNDICES
63
APÊNDICE A – Coleta de pontos de controle durante primeira ida a campo.
APÊNDICE B – Coleta de pontos de controle durante segunda ida a campo.
64
APÊNDICE C – Coleta de pontos de controle durante terceira ida a campo.
65
APÊNDICE D – Ficha de campo para coleta dos pontos de controle
CCBN/UFAC – COORDENAÇÃO DE ENGENHARIA FLORESTAL PROJETO MANEJO COMUNITÁRIO DO CACAU NATIVO NA VÁRZE A DO MÉDIO
PURUS
Local: Equipe:
Data: Tempo de marcação:
Ponto número
Fotografia número
Coordenada elevacão relevo Tipo de
vegetação Presença de cacau
Nome da Comunidade
Tipo de Sub
bosque X Y
66
ANEXOS
67
ANEXO A – Frutos são quebrados e inseridos na fermentadora para que perca a polpa.
ANEXO B – As sementes são distribuídos a superfície da estufa para que ocorra a secagem das amêndoas.